Книги по статистической экологии?

Я знаю, что этот вопрос задавался ранее: Справочник по экологическим исследованиям, но это не то, что я ищу.

Что я ищу, так это если бы кто-нибудь мог порекомендовать хорошую книгу (или канонический справочник) по статистической экологии? У меня очень хорошее понимание статистики, поэтому книга действительно может быть на любом уровне. Я бы использовал эту книгу, чтобы больше узнать о применении статистики в экологии, чем о чем-либо еще, поэтому я бы высоко оценил даже вводную книгу с хорошими / интересными примерами. Кроме того, мое исследование, как правило, ориентировано на байесовскую статистику, поэтому книга, включающая байесовскую статистику, еще лучше!

Вот некоторые хорошие книги, которые я лично рекомендую:

• Hilborn & Mangel (1997) Экологический детектив: сопоставление моделей с данными . Издательство Принстонского университета.

  Это больше о статистике с экологическими примерами, но в этом нет ничего плохого. Это дало бы хорошее представление о том, как статистика может использоваться в экологии. Обратите внимание на дату; это не будет охватывать некоторые из последних разработок или приложений.

• М. Генри Х. Стивенс (2009) Учебник экологии с R . Springer.

  Возможно, слишком простой и не особенно пространственный, но он охватывает различные темы, которые мы преподаем экологам, и иллюстрирует экологическую теорию и модели с помощью кода R.

• BM Bolker (2008) Экологические модели и данных в R . Издательство Принстонского университета.

  Я люблю эту книгу. В нем рассматриваются темы, с которыми вы будете знакомы, если учесть свой опыт в области статистики, но в экологическом контексте. Акцент на подборе моделей и их оптимизации из базовых принципов с использованием кода R.

• Джеймс С. Кларк (2007). Модели экологических данных: введение . Издательство Принстонского университета.

  Не откладывайте на «введение» в названии; это не что иное, как введение. Широкий охват, много теории, упор на подбор моделей вручную с использованием байесовских подходов (например, в руководстве по лаборатории R обсуждается написание ваших собственных сэмплеров Gibbs!)

Не книга, но я добавлю это, поскольку вы особо упомянули свой интерес к гауссовским процессам. Взгляните на Интегрированную Вложенную Аппроксимацию Лапласа (INLA), которая имеет веб-сайт . Это пакет R и имеет много примеров для игры. Если вы посмотрите на их FAQ, вы найдете несколько статей, описывающих подход, в частности:

Х. Рю, С. Мартино и Н. Шопен. Приближенный байесовский вывод для скрытых гауссовских моделей с использованием интегрированных вложенных аппроксимаций Лапласа (с обсуждением). Журнал Королевского статистического общества, Серия B, 71 (2): 319 {392, 2009. (PDF доступен здесь ).

Вот некоторые хорошие книги по экологии, основанные на байесовской статистике:

Кери, М. 2010. Введение в WinBUGS для экологов: байесовский подход к регрессии, ANOVA, смешанные модели и связанный анализ . Академическая пресса.

Кери М. и М. Шауб. 2011. Байесовский анализ населения с использованием WinBUGS: иерархическая перспектива . Академическая пресса.

Ройл, JA и RM Dorazio. 2008. Иерархическое моделирование и логический вывод в экологии: анализ данных о населении, метапопуляции и сообществах . Академическая пресса

Я также нахожу Zuur et al. (2009) очень полезно.

Зуур А., Э. Н. Иено, Н. Уокер, А. А. Савельей и Г. М. Смит. Смешанные эффекты Модель и расширение в области экологии с R . Springer.

Джек Вайс (пусть он пухом ) был превосходным обученным статистиком, который также действительно хорошо разбирался в принципах экологии / экологии. Он служил бесценным статистическим консультантом для ученых-экологов в США и даже во всем мире.

Хотя у него нет книг, о которых я знаю, его заметки о курсах все еще доступны в Интернете :

1. Статистические методы в экологии [или 2012 версия ]

   Курс Descrition:Это курс по статистическому моделированию для экологов и их родственников. Мы фокусируемся на элементарных статистических методах, в первую очередь регрессии, и описываем, как их можно расширить, чтобы сделать их более подходящими для анализа экологических данных. Эти расширения включают использование более реалистичных вероятностных моделей (помимо нормального распределения) и учет ситуаций, в которых наблюдения не являются статистически независимыми. Для каждой модели, которую мы рассмотрим, мы увидим, как ее оценить, используя как частые (когда это возможно), так и байесовские методы. Наш акцент здесь делается на глубину, а не широту. (Другой курс для выпускников, который я преподаю, ECOL 562, - это обзорный курс, который охватывает широкий спектр статистических методов, полезных в науке об окружающей среде. Этот курс фокусируется на 40% материала из этого курса, но охватывает его более подробно.)

   Предполагается знакомство со стандартными параметрическими подходами статистического анализа, такими как проверка гипотез. Курс призван служить переходом между тем, что обычно преподается в курсе статистики бакалавриата, и тем, что действительно необходимо для успешного анализа данных в области экологии и наук об окружающей среде. Идеальным зачисленным студентом является студент старших курсов или начинающий аспирант, который уже прошел начальный курс статистики и желает увидеть современное применение статистики в науке об окружающей среде и экологии. Темы включают в себя:

   - Basic concepts in regression: categorical predictors and interactions
   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma
   - Likelihood theory and its applications in regression
   - Bayesian approaches to model fitting
   - Model selection protocols: Information-theoretic alternatives to significance testing
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, gamma regression
   - Mixed effects models for analyzing temporally and spatially correlated data
     - Random intercepts and slopes models
     - Multilevel models with 2 and 3 levels
     - Hierarchical Bayesian modeling
     - Nonlinear mixed effects models
     - Mixed effects models with nested and crossed random effects
     - Hybrid mixed effects models with multivariate responses
   

2. Статистика для науки об окружающей среде [или 2007 ; Версия 2012 ]

   Курс Descrition:Введение в статистические методы для экологии и науки об окружающей среде. Это тематический курс. Наш акцент здесь делается на ширине, а не глубине. (Другой аспирантский курс, который я преподаю, использует углубленный подход к темам, затронутым в первой трети этого курса.) Предполагается знакомство со стандартными параметрическими подходами статистического анализа, такими как проверка гипотез. Курс призван служить переходом между тем, что обычно преподается в курсе статистики бакалавриата, и тем, что действительно необходимо для успешного анализа данных в области экологии и наук об окружающей среде. Идеальным зачисленным студентом является студент старших курсов или начинающий аспирант, который уже прошел начальный курс статистики и желает увидеть современное применение статистики в науке об окружающей среде и экологии. Темы включают в себя:

   - Overview of regression
   - Likelihood theory and its applications in regression
   - Generalized linear models
   - Analysis of temporally correlated data
   - Mixed effects models
   - Generalized estimating equations
   - Bayesian methods
   - Generalized additive models
   - Survey sampling methods
   - Machine learning methods
   - Survival analysis
   - Contingency table analysis
   - Analysis of extreme values
   - Structural equation models
   

3. Статистика по экологии и эволюции

   Описание курса: Это курс по статистическому моделированию для экологов и их родственников. Мы фокусируемся на элементарных статистических методах, в первую очередь регрессии, и описываем, как их можно расширить, чтобы сделать их более подходящими для анализа экологических данных. Эти расширения включают использование более реалистичных вероятностных моделей (помимо нормального распределения) и учет ситуаций, в которых наблюдения не являются статистически независимыми. Темы включают в себя:

   - Experiments in ecology
   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma, and exponential
   - Likelihood theory and its applications in regression
   - Bayesian approaches to model fitting
   - Model selection protocols: Information-theoretic alternatives to significance testing
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, and others
   - Regression models for temporally and spatially correlated data: random coefficient models (multilevel models) and hierarchical Bayesian modeling
   

4. Экология 145 - Статистический анализ

   ECOL 145 предназначен для интенсивного введения в анализ экологических данных. Его целевая аудитория состоит из высоко мотивированных аспирантов и студентов старших курсов по биологическим дисциплинам, которые в идеале имеют собственные данные для анализа. Это серьезный практический курс, который не подходит для дилетантов или тех, кто хочет просто одитировать и наблюдать. Мы сосредоточены на использовании двух современных статистических пакетов, R и WinBUGS, и используем их для работы с реальными наборами данных со всеми их недостатками. Чем ближе вы будете проводить свои собственные исследования и анализировать свои собственные данные, тем более полезным будет этот курс.

   Суть курса состоит в том, что вероятностные модели лучше всего рассматривать как механизмы генерирования данных, и в соответствии с этой точкой зрения мы используем методы, основанные на вероятности, для непосредственного моделирования экологических данных. Наборы данных взяты из опубликованной литературы, из моих собственных консалтинговых проектов или предоставлены студентами, зачисленными на курс. Если у вас есть данные, которые необходимо проанализировать, вы можете представить их мне для использования в учебных занятиях. Темы включают в себя:

   - Statistical distributions important in ecological modeling: binomial, Poisson, negative binomial, normal, lognormal, gamma, and exponential
   - Likelihood theory and its applications in regression
   - Generalized linear models: Poisson regression, negative binomial regression, logistic regression, and others
   - The perils of significance testing—multiple comparison adjustments and the false discovery rate
   - Model selection protocols: likelihood ratio tests, Wald tests, and information-theoretic alternatives to significance testing
   - Goodness of fit for GLMs: deviance statistics, extensions of R2, Pearson chi-square approaches
   - Regression models for temporally and spatially correlated data: random coefficient models (multilevel models) and the method of generalized estimating equations
   - Bayesian approaches to data analysis
   - Hierarchical Bayesian modeling using WinBUGS and R
   

Я уверен, что существует множество совпадений между курсами, но его заметки (и код R) доступны для каждого из этих курсов и должны оказаться очень полезными для большинства людей, посещающих этот пост.